Summary

Måling av statistisk læring på tvers av modaliteter og domener hos barn i skolealderen via en nettbasert plattform og neuroimagingsteknikker

Published: June 30, 2020
doi:

Summary

Presentert her er en protokoll som introduserer et sett med barnevennlige statistiske læringsoppgaver rettet mot å undersøke barns læring av timelige statistiske mønstre på tvers av domener og sensoriske modaliteter. De utviklede oppgavene samler inn atferdsdata ved hjelp av den nettbaserte plattformen og oppgavebaserte funksjonelle magnetiske resonansavbildningsdata (fMRI) for å undersøke nevrale engasjement under statistisk læring.

Abstract

Statistisk læring, en grunnleggende ferdighet for å trekke ut regulariteter i miljøet, regnes ofte som en kjernestøttemekanisme for førstespråkutviklingen. Mens mange studier av statistisk læring utføres innenfor et enkelt domene eller modalitet, tyder nyere bevis på at denne ferdigheten kan variere basert på konteksten der stimuli presenteres. I tillegg er det få studier som undersøker læring når det utfolder seg i sanntid, og fokuserer heller på utfallet av læringen. I denne protokollen beskriver vi en tilnærming for å identifisere det kognitive og nevrale grunnlaget for statistisk læring, innenfor et individ, på tvers av domener (språklig vs. ikke-språklige) og sensoriske modaliteter (visuelle og auditive). Oppgavene er utformet for å kaste så lite kognitiv etterspørsel som mulig på deltakerne, noe som gjør den ideell for unge barn i skolealderen og spesielle populasjoner. Atferdsoppgavens nettbaserte natur gir oss en unik mulighet til å nå mer representative befolkninger over hele landet, estimere effektstørrelser med større presisjon og bidra til åpen og reproduserbar forskning. De nevrale tiltakene som tilbys av den funksjonelle magnetiske resonansavbildningsoppgaven (fMRI) kan informere forskere om nevrale mekanismer som er engasjert under statistisk læring, og hvordan disse kan variere på tvers av individer på grunnlag av domene eller modalitet. Til slutt tillater begge oppgavene måling av sanntidslæring, da endringer i reaksjonstiden til et målstimulans spores over eksponeringsperioden. Hovedbegrensningen ved å bruke denne protokollen er knyttet til eksperimentets timelange varighet. Barn må kanskje fullføre alle fire statistiske læringsoppgaver i flere sitteplasser. Derfor er den nettbaserte plattformen utformet med denne begrensningen i tankene, slik at oppgaver kan spres individuelt. Denne metodikken vil tillate brukere å undersøke hvordan prosessen med statistisk læring utfolder seg på tvers av og innenfor domener og modaliteter hos barn fra ulike utviklingsbakgrunner.

Introduction

Statistisk læring er en elementær ferdighet som støtter oppkjøpet av regelstyrte kombinasjoner i språkinnspill1. Vellykket statistisk læringsevne hos spedbarn spår senere språklæring suksess2,3. Variasjon i statistiske læringsferdigheter hos barn i skolealderen har også vært forbundet medordforråd 4 og lesing5,6. Vanskeligheter med statistisk læring er foreslått som en etiologisk mekanisme underliggende språkforringelse7. Til tross for sammenhengen mellom statistisk læring og språkutfall i både nevrotypiske og atypiske populasjoner, forblir de kognitive og nevrale mekanismene som ligger til grunn for statistisk læring dårlig forstått. I tillegg har tidligere litteratur vist at innenfor en individuell, statistisk læringsevne ikke er ensartet, men uavhengig på tvers av domener ogmodaliteter 6,8,9. Utviklingsbanen for statistiske læringsevner kan ytterligere variere på tvers av domener og modaliteter10. Disse funnene understreker viktigheten av å vurdere individuelle forskjeller i statistisk læring på tvers av flere oppgaver gjennom hele utviklingsforløpet. Feltet krever imidlertid først en mer systematisk undersøkelse av forholdet mellom statistisk læring og førstespråkutvikling. For å løse disse spørsmålene bruker vi innovative metoder, inkludert en nettbasert testplattform11 som når et stort antall barn, og laboratoriebaserte neuroimaging teknikker (funksjonell magnetisk resonansavbildning, eller fMRI) som undersøker sanntidskoding av statistisk informasjon.

Standard mål for statistisk læring begynner med en familiarization fase og etterfølges av en to-alternativ tvungen valg (2-AFC) oppgave12,13. Den kjente fasen introduserer en kontinuerlig strøm av stimuli innebygd med statistiske regulariteter, hvor noen stimuli er mer sannsynlig å samtidig forekomme sammen enn andre. Presentasjonen av disse samtidig forekommende stimuli følger en fast timelig rekkefølge. Deltakerne blir passivt eksponert for strømmen i fortrolighetsfasen, etterfulgt av en 2-AFC-oppgave som tester om deltakeren vellykket hentet ut mønstrene. Nøyaktighetsoppgaven 2-AFC presenterer to påfølgende sekvenser: en sekvens er presentert for deltakeren i fortrolighetsfasen, mens den andre er en ny sekvens, eller inneholder en del av sekvensen. Nøyaktighet over sjanse på 2-AFC ville indikere vellykket læring på gruppenivå. Tradisjonelle atferdsoppgaver som vurderer statistisk læring, er generelt avhengig av nøyaktighet som resultatmål for læring. Nøyaktigheten klarer imidlertid ikke å ta høyde for den naturlige læringen av informasjon som den utfolder seg i tide. Et mål på sanntidslæring er nødvendig for å benytte seg av den implisitte læringsprosessen for statistisk læring der barn fortsatt koder regelmessighetene frainngangene 14,,15,,16. Ulike tilpasninger på tvers av paradigmer har blitt utviklet i et forsøk på å bevege seg bort fra 2-AFC-tiltaket, mot tiltak for on-line læring gjennom atferdsresponser undereksponeringen 16. Studier som benytter disse tilpasningene som måler reaksjonstiden i eksponeringsfasen fant at de var relatert til nøyaktighet etter læring17 med bedre testtest pålitelighet sammenlignet med nøyaktigheten hos voksne elever18.

Nevrale tiltak er også grunnleggende for vår forståelse av hvordan læring utfolder seg over tid, da den implisitte prosessen der språklæring skjer, rekrutterer sannsynligvis forskjellige nevrale ressurser fra de som brukes når språket erlært 19. Nevrale tiltak gir også innsikt i forskjeller i kognitive spesialiseringer underliggende språkevne på tvers av spesielle populasjoner20. Hvordan tilstandskontrasten er utformet i en fMRI-studie er avgjørende for hvordan vi tolker mønstre for neural aktivering under læring. En vanlig praksis er å sammenligne hjerneresponser under familiariseringsfasen mellom sekvenser som inneholder vanlige mønstre versus de som inneholder de samme stimuli som bestilles tilfeldig. Imidlertid fant tidligere forskning som implementerer en slik tilfeldig kontrolltilstand ingen bevis for læring i atferd, til tross for nevrale forskjeller mellom strukturerte og tilfeldige sekvenser. Dette kan skyldes forstyrrelsen av tilfeldige sekvenser om læring av strukturerte sekvenser, da begge ble konstruert fra samme stimuli21,22. Andre fMRI studier som benyttet bakover tale eller tidligere læringsblokker som kontrolltilstand bekreftet læring fant stedatferdsmessig 19,23. Imidlertid introduserte hvert av disse paradigmene sin egen forvirrende faktor, for eksempel effekten av språkbehandling for den tidligere saken og effekten av den eksperimentelle rekkefølgen for sistnevnte tilfelle. Vårt paradigme bruker den tilfeldige sekvensen som kontrolltilstand, men reduserer deres innblanding på deltakernes læring av de strukturerte sekvensene. Vårt fMRI paradigme implementerer også en blandet blokk / hendelsesrelatert design, noe som gjør det mulig for samtidig modellering av forbigående prøverelaterte og vedvarende oppgaverelaterte BOLD-signaler24. Til slutt, og mer generelt, nevrale tiltak tillate måling av læring i populasjoner der eliciting en eksplisitt atferdsrespons kan være vanskelig (f.eks utviklingsmessige og spesielle populasjoner)25.

Den nåværende protokollen vedtar et responstidsmål, i tillegg til tradisjonelle nøyaktighetstiltak, og undersøker hjerneaktivering i fortrolighetsfasen. Kombinasjonen av disse metodene tar sikte på å gi et rikt datasett for undersøkelse av læringsprosesser i sanntid. Den nettbaserte plattformen tilbyr et sett med læringstiltak ved å inkludere både responstid i eksponeringsfasen og nøyaktigheten til 2-AFC-oppgaven i testfasen. Neuroimaging protokollen gjør det mulig for undersøkelse av de underliggende nevrale mekanismer som støtter statistisk læring på tvers av domener og modaliteter. Selv om det er optimalt å måle statistisk læring hos en person ved hjelp av både nettbaserte og fMRI-protokoller, utformes oppgavene slik at de kan spres uavhengig, og derfor som to uavhengige tiltak for statistisk læring. FMRI-eksperimentene som inngår i den nåværende protokollen, kan bidra til å klargjøre hvordan stimulanskoding, mønsterutvinning og andre bestanddeler av statistisk læring er representert av bestemte hjerneregioner og nettverk.

Protocol

Alle deltakerne ga skriftlig samtykke til å delta og studere ble gjennomført i samsvar med Institutional Review Board. 1. Oversikt over det statistiske læringsparadigmet som benyttes i den nettbaserte protokollen Inkluder fire oppgaver i det nåværende paradigmet: bilde (visuell-nonlinguistic), brev (visuell-språklig), tone (auditiv-nonlinguistic), og stavelse (auditiv-språklig). Konstruer stimuli for visuelle oppgaver ved hjelp av 12 frittstående fremmede tegneseriebi…

Representative Results

Nettbaserte atferdsresultaterGitt den nåværende protokollen er utformet for enkel formidling med utviklingspopulasjoner, har vi inkludert foreløpige nettbaserte resultater basert på data fra 22 utviklende barn i skolealder (Gjennomsnitt (M) alder = 9,3 år, Standard avvik (SD) alder = 2,04 år, rekkevidde = 6,2-12,6 år, 13 jenter). I den nettbaserte statistiske læringsoppgaven presterte barn betydelig bedre enn 0,5 sjansenivå på alle forhold, noe som indikerer vellykket statistisk læring på…

Discussion

Metodene som presenteres i den nåværende protokollen gir et multimodale paradigme for å forstå atferds- og nevrale indeksene for statistisk læring i løpet av utviklingen. Den nåværende utformingen gjør det mulig å identifisere individuelle forskjeller i statistisk læringsevne på tvers av modaliteter og domener, som kan brukes til fremtidig undersøkelse av forholdet mellom statistisk læring og språkutvikling. Siden en persons statistiske læringsevne er funnet å variere på tvers av domener og<sup class="x…

Divulgations

The authors have nothing to disclose.

Acknowledgements

Vi takker Yoel Sanchez Araujo og Wendy Georgan for deres bidrag i den første utformingen av den nettbaserte plattformen. Vi takker An Nguyen og Violet Kozloff for deres arbeid med å forbedre de nettbaserte statistiske læringsoppgavene, implementere fMRI-oppgavene og pilotere oppgavene hos voksne deltakere. Vi takker Violet Kozloff og Parker Robbins for deres bidrag til å bistå datainnsamling hos barn. Vi takker Ibrahim Malik, John Christopher, Trevor Wigal og Keith Schneider ved Center for Biological and Brain Imaging ved University of Delaware for deres hjelp til neuroimaging datainnsamling. Dette arbeidet er delvis finansiert av National Institute on Døvhet og andre kommunikasjonsforstyrrelser (PI: Qi; NIH 1R21DC017576) og National Science Foundation Directorate for Social, Behavioral & Economic Sciences (PI: Schneider, Co-PI: Qi & Golinkoff; 1911462.

Materials

4 Button Inline Response Device Cambridge Research Systems SKU: N1348 An fMRI reponse pad used for measuring in-scanner response time
Short/Slim Canal Tips Comply Foam SKU: 40-15028-11 Short & slim in-ear canal tips are recommended for children to protect hearing and allow for them to hear the stimuli while in the scanner.
jsPsych jsPsych https://www.jspsych.org/ jsPsych is a JavaScript library for running behavioral experiments in a web browser.
Speech Synthesizer Praat Version 6.1.14 This program is an artificial speech synthesizer which was used to create the syllable stimuli.
Web-based statistical learning tasks Zenodo http://doi.org/10.5281/zenodo.3820620 (2020). All web-based statistical learning tasks are available for free access on Zenodo.

References

  1. Saffran, J. R., Newport, L. L., Aslin, R. N. Word Segmentation: The Role of Distributional Cues. Journal of Memory and Language. 35, 606-621 (1996).
  2. Newman, R., Ratner, N. B., Jusczyk, A. M., Jusczyk, P. W., Dow, K. A. Infants’ early ability to segment the conversational speech signal predicts later language development: A retrospective analysis. Developmental Psychology. 42 (4), 643-655 (2006).
  3. Graf Estes, K., Gluck, S. C. W., Grimm, K. J. Finding patterns and learning words: Infant phonotactic knowledge is associated with vocabulary size. Journal of Experimental Child Psychology. 146, 34-49 (2016).
  4. Evans, J. L., Saffran, J. R., Robe-Torres, K. Statistical Learning in Children With Specific Language Impairment. Journal of Speech, Language, and Hearing Research. 52 (2), 321-335 (2009).
  5. Arciuli, J., Simpson, I. C. Statistical Learning Is Related to Reading Ability in Children and Adults. Cognitive Science. 36 (2), 286-304 (2012).
  6. Qi, Z., Sanchez Araujo, Y., Georgan, W. C., Gabrieli, J. D. E., Arciuli, J. Hearing Matters More Than Seeing: A Cross-Modality Study of Statistical Learning and Reading Ability. Scientific Studies of Reading. 23 (1), 101-115 (2019).
  7. Walenski, M., Tager-Flusberg, H. B., Ullman, M. T., Moldin, S. O., Rubenstein, J. L. R. Language in autism. Understanding autism: From Basic Neuroscience to Treatment. , 175-203 (2006).
  8. Siegelman, N., Frost, R. Statistical learning as an individual ability: Theoretical perspectives and empirical evidence. Journal of Memory and Language. 81, 105-120 (2015).
  9. Erickson, L. C., Kaschak, M. P., Thiessen, E. D., Berry, C. A. S. Individual Differences in Statistical Learning: Conceptual and Measurement Issues. Collabra. 2 (1), 14 (2016).
  10. Shufaniya, A., Arnon, I. Statistical Learning Is Not Age-Invariant During Childhood: Performance Improves With Age Across Modality. Cognitive Science. 42 (8), 3100-3115 (2018).
  11. Qi, Z., et al. An online platform for visual and auditory statistical learning for school-aged children (Version 1.0.0). Zenodo. , (2020).
  12. Conway, C. M., Christiansen, M. H. Statistical learning within and between modalities: Pitting abstract against stimulus-specific representations. Psychological Science. 17 (10), 905-912 (2006).
  13. Saffran, J. R., Johnson, E. K., Aslin, R. N., Newport, E. L. Statistical learning of tone sequences by human infants and adults. Cognition. 70 (1), 27-52 (1999).
  14. Siegelman, N., Bogaerts, L., Elazar, A., Arciuli, J., Frost, R. Linguistic entrenchment: Prior knowledge impacts statistical learning performance. Cognition. 177, 198-213 (2018).
  15. Armstrong, B. C., Frost, R., Christiansen, M. H. The long road of statistical learning research: past, present and future. Philosophical Transactions of the Royal Society B: Biological Sciences. 372 (1711), 20160047 (2017).
  16. Siegelman, N., Bogaerts, L., Christiansen, M. H., Frost, R. Towards a theory of individual differences in statistical learning. Transactions of the Royal Society B. 372 (1711), 20160059 (2017).
  17. Krogh, L., Vlach, H. A., Johnson, S. P. Statistical Learning Across Development: Flexible Yet Constrained. Frontiers in Psychology. 3, 598 (2013).
  18. Siegelman, N., Bogaerts, L., Elazar, A., Arciuli, J., Frost, R. Linguistic entrenchment: Prior knowledge impacts statistical learning performance. Cognition. 177, 198-213 (2018).
  19. Plante, E., Patterson, D., Dailey, N. S., Kyle, R. A., Fridriksson, J. Dynamic changes in network activations characterize early learning of a natural language. Neuropsychologia. 62 (1), 77-86 (2014).
  20. Milne, A. E., Wilson, B., Christiansen, M. H., Petkov, C., Marslen-Wilson, W. Structured sequence learning across sensory modalities in humans and nonhuman primates This review comes from a themed issue on The evolution of language. Current Opinion in Behavioral Sciences. 21, 39-48 (2018).
  21. Mcnealy, K., Mazziotta, J., Dapretto, M. Cracking the Language Code: Neural Mechanisms Underlying Speech Parsing. Journal of Neuroscience. 26 (29), 7629-7639 (2006).
  22. McNealy, K., Mazziotta, J. C., Dapretto, M. Age and experience shape developmental changes in the neural basis of language-related learning. Developmental Science. 14 (6), 1261-1282 (2011).
  23. Karuza, E. A., Emberson, L. L., Aslin, R. N. Combining fMRI and behavioral measures to examine the process of human learning. Neurobiology of Learning and Memory. 109, 193-206 (2014).
  24. Petersen, S. E., Dubis, J. W. The mixed block/event-related design. NeuroImage. 62 (2), 1177-1184 (2012).
  25. Batterink, L. J., Paller, K. A., Reber, P. J. Understanding the Neural Bases of Implicit and Statistical Learning. Topics in Cognitive Science. 11, 482-503 (2019).
  26. Boersma, P., Weenink, D. . Praat: doing phonetics by computer [Computer program]. Version 601014. , (2020).
  27. Boersma, P. Praat, a system for doing phonetics by computer. Glot International. 5 (9), 341-345 (2001).
  28. Conway, C. M., Christiansen, M. H. Seeing and hearing in space and time: Effects of modality and presentation rate on implicit statistical learning. European Journal of Cognitive Psychology. 21 (4), 561-580 (2009).
  29. Emberson, L. L., Conway, C. M., Christiansen, M. H. Timing is everything: Changes in presentation rate have opposite effects on auditory and visual implicit statistical learning. Quarterly Journal of Experimental Psychology. 64 (5), 1021-1040 (2011).
  30. de Leeuw, J. R. jsPsych: A JavaScript library for creating behavioral experiments in a Web browser. Behavior Research Methods. 47 (1), 1-12 (2015).
  31. Kana, R. K., et al. Probing the brain in autism using fMRI and diffusion tensor imaging. Journal of Visualized Experiments. (55), e3178 (2011).
  32. Casey, B. J., et al. The Adolescent Brain Cognitive Development (ABCD) study: Imaging acquisition across 21 sites. Developmental Cognitive Neuroscience. 32, 43-54 (2018).
  33. Gorgolewski, K. J., et al. The brain imaging data structure, a format for organizing and describing outputs of neuroimaging experiments. Scientific Data. 3 (1), 1-9 (2016).
  34. Halchenko, Y. . nipy/heudiconv v0.6.0 (Version v0.6.0). Zenodo. , (2019).
  35. Esteban, O., et al. FMRIPrep: a robust preprocessing pipeline for functional MRI. Nature Methods. 16, 111-116 (2019).
  36. Esteban, O., et al. Analysis of task-based functional MRI data preprocessed with fMRIPrep. bioRxiv. , 694364 (2020).
  37. Cox, R. W. AFNI: Software for analysis and visualization of functional magnetic resonance neuroimages. Computers and Biomedical Research. 29 (3), 162-173 (1996).
  38. Avants, B. B., et al. A reproducible evaluation of ANTs similarity metric performance in brain image registration. NeuroImage. 54 (3), 2033-2044 (2011).
  39. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis: I. Segmentation and surface reconstruction. NeuroImage. 9 (2), 179-194 (1999).
  40. Woolrich, M. W., et al. Bayesian analysis of neuroimaging data in FSL. NeuroImage. 45, 173-186 (2009).
  41. Klein, A., et al. Mindboggling morphometry of human brains. PLoS Computational Biology. 13 (2), 1005350 (2017).
  42. Arnon, I. Do current statistical learning tasks capture stable individual differences in children? An investigation of task reliability across modality. Behavior Research Methods. 52 (1), 68-81 (2020).
  43. Finn, A. S., Hudson Kam, C. L. The curse of knowledge: First language knowledge impairs adult learners’ use of novel statistics for word segmentation. Cognition. 108 (2), 477-499 (2008).
  44. Krogh, L., Vlach, H. A., Johnson, S. P. Statistical learning across development: Flexible yet constrained. Frontiers in Psychology. 3, 598 (2013).
  45. De Leeuw, J. R., Motz, B. A. Psychophysics in a Web browser? Comparing response times collected with JavaScript and Psychophysics Toolbox in a visual search task. Behavior Research Methods. 48, 1-12 (2016).
  46. Lew-Williams, C., Saffran, J. R. All words are not created equal: Expectations about word length guide infant statistical learning. Cognition. 122 (2), 241-246 (2012).
  47. Poulin-Charronnat, B., Perruchet, P., Tillmann, B., Peereman, R. Familiar units prevail over statistical cues in word segmentation. Psychological Research. 81 (5), 990-1003 (2017).
  48. Leonard, J., Flournoy, J., Lewis-de los Angeles, C. P., Whitaker, K. How much motion is too much motion? Determining motion thresholds by sample size for reproducibility in developmental resting-state MRI. Research Ideas and Outcomes. 3, 12569 (2017).
  49. Power, J. D., et al. Ridding fMRI data of motion-related influences: Removal of signals with distinct spatial and physical bases in multiecho data. Proceedings of the National Academy of Sciences of the United States of America. 115 (9), 2105-2114 (2018).

Play Video

Citer Cet Article
Schneider, J. M., Hu, A., Legault, J., Qi, Z. Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques. J. Vis. Exp. (160), e61474, doi:10.3791/61474 (2020).

View Video